智能型变频器硬件实现及结果

    训练后的神经网络与受控对象加PI调节器所构成的系统的结构。从原理上来看它属于一种逆控制系统，但此处并没有采用一般的直接逆控制方法，而是用直接逆控制加调节器的闭环控制方式，其主要优点在于克服了直接逆控制因反馈而鲁棒性较差的不足，且不用在线学习调整（一般调整的时间花费较大）。所构成的异步电动机调速系统的降能究竟如何，这里首先进行了仿真研究，进而对控制策略的硬件实现进行了研究。

    1．仿真研究

    对于异步矢量控制调速系统来说，实际控制效果主要考核两个方面：①负载变化（突加或突减负载）时的系统性能；②系统本身参数变化（如电动机转子电阻变化等）时的系统性能。为此对系统主要参数变化时本系统的控制效果进行了仿真研究。图10-71、10-72分别是神经网络训练系统与传统PID控制系统动态加载和转子电阻变化时的情况，结构表明本文所采用控制策略实现简单，鲁棒性强。

    图10-71    神经网络训练系统与PID控制在1.5s加满负载和2.5s去负载时的速度

    图10-72    神经网络训练系统与PID控制载转子增加50%时的速度波形

    2．对控制策略的硬件实现的研究

    如图10-73所示，系统采用87C196单片机组成了多微机系统，实时分任务来提高运算速度。87C196是一种通用高速单片机，主频可达20MHz。CPU1主要任务是完成矢量变换控制，CPU2用于生成PWM驱动信号，用CPU3检测电动机定子电压、电流估计电动机实际转速等，CPU4与I/O来共同完成系统外部通信和监控功能。

    图10-73    系统的硬件实现框图

    异步电动机调速系统利用神经网络控制的非线性映射能力，附加简单PI调节器，采用闭环控制方式，可以在不需要知道对象精确模型的基础上建立起有较高鲁棒性的控制系统，结构简单，并便于实现，不失为一种实用控制方法。该方法主要有以下一些优点：

   (1)利用神经网络求得受控对象的逆模型，可以抵消受控对象中的非线性和滞后等对系统控制性能的影响，而且对受控对象模型精度要求不高，实现上较方便。

   (2)神经网络逆模型与受控对象串联构成近似线性传递环节，系统的鲁棒性和抗扰性得到很大提高。闭环加PI调节器使整个系统静动态性能提高。

   (3)系统中PI调节器设计简单，可以直接以受控对象模型变化的极限情况来设计。

（作者稿费要求：需要高清无水印文章的读者3元每篇，请联系客服，谢谢！在线客服：）